UNDICESIMO ARTICOLO DI UN VIAGGIO SULL’IMPATTO DELL’IA SUL BUSINESS. NELLE PRECEDENTI TAPPE ABBIAMO RACCONTATO LA VISIONE DI MICROSOFT, SAS, GOOGLE, AUTODESK, SAP, IMPRESOFT, ORACLE, LENOVO, IBM, SALESFORCE.
Se siete alla caccia di talenti non perdete l’occasione di portarvi a casa l’equivalente informatico della persona con il più alto quoziente intellettivo attualmente in circolazione. È ChatGpt, il modello fondazionale di OpenAI: ingloba l’intero universo informativo digitale ed è stato allenato con una logica di apprendimento per generare contenuti a valore. Nel momento che lo facciamo lavorare su una qualsiasi base dati aziendale sa adattare la logica di ragionamento ai diversi contesti. Come dire, può acquisire una conoscenza sempre maggiore in funzione del concime digitale di cui si nutre. Quando verrà rilasciata la versione 5.0 si prevede che possa avere un’intelligenza dieci volte superiore a quella attuale. Ma non pensate di ospitare il modello all’interno del vostro data center o su un qualche edge server: rimarrà per sempre una presenza virtuale, cloud only. E per un semplicissimo motivo: il costo di gestione dell’infrastruttura è di circa un milione di dollari al giorno. In ambiente Microsoft l’AI generativa di ChatGpt può essere utilizzata nella versione Copilot associata alle applicazioni di produttività individuale oppure essere adattata per dare vita a progetti custom, con assistenti virtuali verticalizzati per singoli processi aziendali. Per quanto intelligente, l’efficienza del modello fondazionale dipende però dalla capacità del system integrator di turno nel personalizzarlo e valorizzarlo facendo leva su un insieme di tecnologie abilitanti. Ed è a partire dalle competenze maturate nel corso nell’ultimo decennio nell’ambito dell’intelligenza artificiale tradizionale, di machine e deep learning, che Porini, system integrator e centro di competenza Microsoft di Dgs (software vendor controllato dal fondo d’investimento H.I.G Capital con un fatturato di oltre 300 milioni che ha l’obiettivo di raggiungere il miliardo nel giro dei prossimi 5 anni) ha avviato il suo percorso generative AI per il mondo manifatturiero, assicurativo, bancario, fashion e retail. Tra le soluzioni già disponibili: Intelligent Document Advisor, assistente virtuale per estrarre informazioni rilevanti e fornire una risposta in linguaggio naturale a domande relative a una specifica base documentale; Hr Buddy per semplificare le procedure amministrative per il personale; Recruitment Assistant, per facilitare la ricerca di personale scansionando in rapidità curriculum vitae; Natural Language to Sql, per interagire con i dati in modo intuitivo (le domande poste in linguaggio naturale vengono convertite in query Sql, automatizzando il processo di interrogazione).
Soluzioni su misura che, come racconta Tommaso Pozzi, ceo di Porini, vengono create partendo da una fase di assessment e da un processo di sviluppo strutturato su più fasi. «Quest’ultimo può essere tanto più veloce quanto più elevato è l’indice digitale d’impresa, che in gran parte deriva dalla disponibilità di “actionable data” su cui far lavorare l’algoritmo e dalla presenza di data scientist e programmatori esperti in data analytics», racconta Pozzi. Insomma, il metodo Porini per l’AI generativa consiste nell’identificare le aree in cui ChatGpt può portare benefici significativi, nel definire una strategia rispetto agli use case individuati, nel selezionare la tecnologia più adatta per raggiungere l’obiettivo desiderato per poi passare a uno studio di fattibilità e a un’ipotesi di piano di implementazione. Ecco come il system integrator del gruppo Dgs intende sfruttare il combinato disposto dell’intelligenza artificiale tradizionale e generativa, il progetto “Learning & Artificial Intelligence Lab as a Service” e le condizioni per dare vita a nuove soluzioni per interrogare la knowledge base aziendale in contesti di fabbrica, di produzione, di supply chain management, nel marketing e nelle vendite.
Valorizzazione dell’AI tradizionale e generativa nel manufacturing, dalla manutenzione predittiva alla risoluzione di problemi
L’AI più “tradizionale”, di machine e deep learning, è in continua evoluzione, con disponibilità di algoritmi sempre più potenti ed efficaci e nel manufacturing è la tecnologia abilitante applicazioni di manutenzione predittiva con capacità previsionale su malfunzionamenti e possibili fermi macchina. Quest’ultimo è il tema della field intelligence, dell’industrial Iot, che ha consentito a Porini di sviluppare progetti di raccolta dati pervasiva a livello fabbrica con algoritmi che evitano impatti negativi sulla produzione o sulla catena logistica grazie alla capacità di selezionare i dati disponibili, riconoscere quelli rilevanti, e collegarli tra loro. «L’intelligenza artificiale è un work in progress. La stessa applicazione sviluppata anni fa la si può oggi arricchire grazie a un volume di dati molto più ampio, a dispositivi edge che consentono elaborazione e performance di gran lunga più avanzate», dice Pozzi. Per toccare con mano le potenzialità dell’intelligenza artificiale Porini ha creato il “Learning & Artificial Intelligence Lab as a Service”: permette ai clienti di immergersi nelle funzionalità e nelle potenzialità dei servizi di intelligenza artificiale e machine learning messi a disposizione da Microsoft Azure.
Come dice Pozzi, «il Lab è un ambiente demo per eseguire in autonomia laboratori ed esperienze guidate per testare le funzionalità e le potenzialità di Microsoft per il mondo dei dati e dell’intelligenza artificiale». E con l’AI generativa si possono ora immaginare nuove soluzioni complementari. «Se la correlazione dati del machine learning tradizionale mi dà evidenza di un problema l’Ai generativa mi può aiutare a fornire delle indicazioni su come risolvere lo specifico problema, dice Pozzi. Con l’Ai generativa cambia il rapporto uomo-macchina, più intuitivo e basato su un’interfaccia conversazionale in linguaggio naturale. Come dire, i dati trattati dall’Ai tradizionale danno delle indicazioni previsionali, mentre il modello generativo, che interagisce con la knowledge base di macchina, diventa l’assistente virtuale per il problem solving. Insomma, l’intelligenza artificiale tradizionale e generativa hanno funzioni complementari: i dati esposti dal machine learning sono il presupposto per entrare nel merito della risoluzione dei problemi con tecniche di intelligenza generativa».
Intelligenza Artificiale generativa, non esiste una killer application. L’efficacia ed efficienza dipende dal contesto applicativo e dalla disponibilità di dati certificati e validati
In Porini si è già iniziata la sperimentazione e mappati i possibili casi d’uso dell’intelligenza generativa, per processo e per settore. «Le soluzioni nascono da un confronto diretto con i clienti, dice Pozzi. Si sperimenta, nessuno sa fino a che punto ci si può spingere. Si mette alla prova l’efficienza di un modello interagendo con una base dati specifica e se ne verificano le potenzialità». E una volta dimostrata l’efficienza si passa a una vera e propria logica di implementazione. «Non esiste una killer application, afferma Pozzi. E’ impossibile dire se la GenAI sia più efficace se utilizzata dall’ufficio del personale o dal marketing. Dipende da una molteplicità di fattori. Dal livello di “readiness digitale”, innanzitutto, dalla disponibilità di materia prima di qualità, di “actionable data”».
Secondo Pozzi, i modelli fondazionali hanno grandi potenzialità ma devono poter lavorare su basi dati certificate e validate, altrimenti il contenuto che ci si aspetta venga generato dall’algoritmo sarà inconsistente, poco preciso e affidabile. «Stiamo per esempio lavorando a un progetto per una compagnia assicurativa che prevede l’utilizzo di un app conversazionale per dare modo all’agente di proporre al cliente un pacchetto assicurativo integrato, comprensivo di copertura casa, mutuo, auto. Ebbene ci siamo accorti che lo stesso progetto sperimentato in differenti contesti aziendali portava a risultanze molto diverse in termini di efficacia».
Copilot per la produttività individuale e assistenti verticali per processi d’impresa. Le due facce dell’intelligenza artificiale in ambiente Microsoft
«In tema di intelligenza generativa riferibile all’ambiente Microsoft c’è da fare una distinzione importante, dice Pozzi. Da una parte c’è il Copilot, sviluppato per essere uno strumento di produttività individuale, dall’altra l’AI inglobata in Azure, quella dedicata allo sviluppo di soluzioni che vanno a indirizzare nuove modalità di processo». Da una parte, quindi, l’utilizzo personale, uso il Copilot per sintetizzare i contenuti salienti delle mail che ricevo giornalmente, per redigere un documento, per fare il transcritp di una riunione, e inviare il riassunto a una platea più ampia. Dall’altra, l’assistente verticale di processo che interfaccia basi dati informative delle differenti aree o dipartimenti aziendali. Soluzioni customizzate, tailor made, che vengono poi magari rese disponibili in un portale aziendale. «I progetti hanno dimensioni e durata molto limitate. Non c’è un lavoro immenso da fare, a patto che vi siano le condizioni abilitanti, in primis la disponibilità di una workable knowledge base da integrare al modello». E per quanto riguarda il Copilot, attenzione: «L’aumento di produttività di cui tanto si parla può avvenire solo se personale e addetti al lavoro sono disponibili a lavorare in modo diverso. Come si è sempre dimostrato sono le abitudini il più grande ostacolo all’innovazione», osserva Pozzi. L’ottimismo però non manca. Secondo le ultime del Work Trend Index di Microsoft, i benefici in termini di produttività sono reali. Il 70% degli utenti di Copilot dichiara di aver incrementato la propria produttività mentre il 68% ha affermato che ha migliorato la qualità del proprio lavoro. E per il 29% degli intervistati è aumentata la rapidità nello svolgere compiti specifici (ricerca, scrittura e sintesi).
Le competenze tecnologiche di Porini a supporto della soluzione di supply chain management del Gruppo Dgs
Algoritmi predittivi per ricercare e valutare possibili interventi migliorativi, confrontarsi con situazioni estreme, verificarne le implicazioni e gli effetti, mettendo le persone nella condizione di prendere le decisioni più corrette per prevenire disfunzioni e criticità. Le competenze di Porini hanno contribuito a implementare la tecnologia di intelligenza artificiale nella soluzione di supply chain management del Gruppo Dgs.
«ComplEtE è la prova di come l’intelligenza artificiale possa migliorare la capacità previsionale e il decision making nell’ambito della produzione collaborativa, ha affermato a Industria Italiana Lorenzo Burlando, sales area manager di Dgs. Ricreando il digital twin dell’intera catena di fornitura aziendale, realizza un ambiente di lavoro cooperativo, simulativo e adattivo che massimizza la sinergia tra le funzioni aziendali, supportando le decisioni con algoritmi di intelligenza artificiale in scenari di simulazione strategica, tattica e operativa». Gestione dalla domanda e dell’inventario, pianificazione della rete commerciale e distributiva, ottimizzazione delle risorse produttive, monitoraggio delle attività di fabbrica, della gestione di fornitori, terzisti e ordini clienti. «ComplEtE permette a supply chain e operation manager, direttori di stabilimento e di reparto di avere strumenti decisionali per aumentare le performance aziendali, intervenendo in modo preventivo in funzione di eventi imprevisti e imprevedibili che si possono verificare lungo tutta la catena di valore, dalla logistica alla produzione», dice Burlando.
